Setup e pacotes

## Opções iniciais de configuração do ambiente --------------
knitr::opts_chunk$set(echo = TRUE)
options(scipen=999)
#### --------------------------------------------------------
library("stringr")  # funções de manipulação de chars
library("dplyr")    # gramática de wrangling
library("ggplot2")  # apresentação gráfica
library("tibble")   # data sets melhorados
library("magrittr") # semantica serializada de instruções
library("readxl")   # leitor de arquivos excel
library("purrr")    # programação funcional
library("knitr")    # Uso de tabelas Kable para apresentação
#### --------------------------------------------------------
v_path_i <- "~/RGitRep/Tese MIDxPT/Dados originais/" ## Caminho para leitura de arquivos de input
v_path_o <- "~/RGitRep/Tese MIDxPT/Analises/" ## Caminho para geração de arquivos de output
v_path_inter <- "~/RGitRep/Tese MIDxPT/Resultados intermediarios/" ## Caminho para geração de arquivos intermediarios

Programas e Projetos

Leitura de planilhas e criação de datasets para programas e projetos-PPG. Filtro de projetos com início de 2013 em diante. Também nesta etapa foi realizada a criação de dataset com as categorias utilizadas na apresentação dos dados (ds_prg).

ds_prgppg <- read_excel(paste0(v_path_i, "Programas PPG 2016.xlsx"))
ds_prjppg <- read_excel(paste0(v_path_i, "Projetos PPG 2016.xlsx"))
ds_prg <- ds_prgppg %>% select(CD_PROGRAMA_IES,
                               NM_AREA_AVALIACAO,
                               CS_STATUS_JURIDICO,
                               DS_DEPENDENCIA_ADMINISTRATIVA,
                               ANO_INICIO_PROGRAMA,
                               NM_MODALIDADE_PROGRAMA,
                               CD_CONCEITO_PROGRAMA)

 write.csv2(ds_prg, paste0(v_path_inter, "ds_prg.csv"))

ds_prjppg_13_16 <- ds_prjppg %>% 
  mutate(ANO_PRJ = str_sub(.$DH_INICIO, 1, 4)) %>%
  filter(ANO_PRJ >= 2013)

 write.csv2(ds_prjppg_13_16, paste0(v_path_inter, "ds_prjppg_13_16.csv"))

rm(ds_prjppg) ## Limpeza de memória

Membros de Projetos

Leitura de planilhas e criação de datasets com dados de membros de projetos entre 2013 e 2016.

f.membros <- function(file){
  ds <- read_excel(file) %>%
    arrange(DS_TIPO_MEMBRO) %>% 
    filter(DS_TIPO_MEMBRO %in% c("DISCENTE","DOCENTE")) %>% 
    merge(., ds_prjppg_13_16, by = "ID_PROJETO")
  return(ds)
}

ds_membros_13_16 <- rbind(f.membros(paste0(v_path_i, "Membros dos projetos 2013.xlsx")),
                          f.membros(paste0(v_path_i, "Membros dos projetos 2014.xlsx")),
                          f.membros(paste0(v_path_i, "Membros dos projetos 2015.xlsx")),
                          f.membros(paste0(v_path_i, "Membros dos projetos 2016.xlsx")))

 write.csv2(ds_membros_13_16, paste0(v_path_inter, "ds_membros_13_16.csv"))

Formação discente e docente

Leitura de planilhas e criação de datasets para dados de formação de professores e alunos nos programas de mestrado e doutorado. Os campos comuns foram selecionados e padronizados para os três arquivos para facilitar relacionamento com indicadores.

v_form_campos <- c("nro_id_cnpq", "seq_pessoa_fisica",
                   "nome_sucupira", "nome_cvlattes",
                   "nome_filtro_cvlattes", "sgl_instituicao",
                   "nme_instituicao", "cod_programa",
                   "nme_programa", "nme_area_avaliacao",
                   "seq_area_basica", "area_basica",
                   "grande_area_basica", "nro_nota_doutorado",
                   "nro_nota_mestrado", "nro_nota_mestrado_prof",
                   "dta_fim", "seq_tipo_categoria_vinculo",
                   "nivel_formacao", "ano_inicio_formacao",
                   "ano_fim_formacao", "formacao_concluida",
                   "sigla_pais_ies_formacao", "sigla_uf_ies_formacao",
                   "sigla_ies_formacao", "nome_ies_formacao",
                   "nome_curso_formacao", "cod_area_curso_formacao",
                   "grande_area_curso_formacao", "area_curso_formacao")

ds_frmdic <- read_excel(paste0(v_path_i, "Formação dos discentes 2013-2016 - Tese.xlsx")) %>% 
  mutate(nro_id_cnpq = str_pad(as.character(nro_id_cnpq), 
                               width =  16, 
                               side = "left", 
                               pad = "0"),
         seq_pessoa_fisica = as.character(seq_pessoa_fisica)) %>% 
  select(v_form_campos) %>% 
  mutate(doc_ou_disc = "DISCENTE")

 write.csv2(ds_frmdic, paste0(v_path_inter, "ds_frmdic.csv"))

ds_frmdic_mestrado <- read_excel(paste0(v_path_i, "Dicentes mestrado tratada -tese.xlsx")) %>% 
  mutate(nro_id_cnpq = str_pad(as.character(nro_id_cnpq), 
                               width =  16, 
                               side = "left", 
                               pad = "0"),
         seq_pessoa_fisica = as.character(seq_pessoa_fisica)) %>% 
  select(v_form_campos) %>% 
  mutate(doc_ou_disc = "DISCENTE")

 write.csv2(ds_frmdic_mestrado, paste0(v_path_inter, "ds_frmdic_mestrado.csv"))

ds_frmdoc <- read_excel(paste0(v_path_i, "Formação dos docentes tese.xlsx")) %>% 
  select(v_form_campos) %>% 
  mutate(doc_ou_disc = "DOCENTE")

 write.csv2(ds_frmdoc, paste0(v_path_inter, "ds_frmdoc.csv"))

Indice de Multi/Interdisciplinaridade

Preparação, transformações e calculo de variáveis e indicadores que compõe o IMI - Indice de Multi/Inter disciplinaridade.

IMI 1 - Formação docente

FCDo - Diversidade da formação dos docentes nos PPG

Variáveis:
QPPP: Quantidade de professores permanentes do programa
QFDPD: Quantidade das formações dos docentes permanentes no grau de doutorado
QFDPM: Quantidade das formações dos docentes permanentes no grau de mestrado
QFDPG: Quantidade das formações dos docentes permanentes no grau de graduação

Indicadores:
DFDDo: Diversidade de formação do docente pelo grau de doutorado
DFDM: Diversidade de formação do docente pelo grau de mestrado
DFDG: Diversidade de formação do docente pelo grau de graduação

OBS - Os agrupamentos e sumarizações abaixo são realizados em dois estágios progressivos para garantir contagens adequadas no calculo das variáveis.

ds_IMI1_QPPP <- ds_frmdoc %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa) %>% 
  summarise(QPPP = n())

 write.csv2(ds_IMI1_QPPP, paste0(v_path_inter, "ds_IMI1_QPPP.csv"))

ds_IMI1_QFDPD <- ds_frmdoc %>% 
  filter(nivel_formacao == "Doutorado") %>% 
  group_by(cod_programa, nome_curso_formacao) %>% 
  summarise(QT = n()) %>%   
  group_by(cod_programa) %>% 
  summarise(QFDPD = n()) 

 write.csv2(ds_IMI1_QFDPD, paste0(v_path_inter, "ds_IMI1_QFDPD.csv"))

ds_IMI1_QFDPM <- ds_frmdoc %>% 
  filter(nivel_formacao == "Mestrado") %>% 
  group_by(cod_programa, nome_curso_formacao) %>% 
  summarise(QT = n()) %>%   
  group_by(cod_programa) %>% 
  summarise(QFDPM = n()) 

 write.csv2(ds_IMI1_QFDPM, paste0(v_path_inter, "ds_IMI1_QFDPM.csv"))

ds_IMI1_QFDPG <- ds_frmdoc %>% 
  filter(nivel_formacao == "Graduação") %>% 
  group_by(cod_programa, nome_curso_formacao) %>% 
  summarise(QT = n()) %>%   
  group_by(cod_programa) %>% 
  summarise(QFDPG = n()) 

 write.csv2(ds_IMI1_QFDPG, paste0(v_path_inter, "ds_IMI1_QFDPG.csv"))

ds_IMI1_FCDo <- merge(ds_IMI1_QFDPD, ds_IMI1_QFDPM, by = "cod_programa", all.x = T) %>% 
  merge(., ds_IMI1_QFDPG, by = "cod_programa", all.x = T) %>% 
  merge(., ds_IMI1_QPPP, by = "cod_programa", all.x = T) %>% 
  mutate(DFDDo = QFDPD/QPPP,
         DFDM = QFDPM/QPPP,
         DFDG = QFDPG/QPPP) %>% ## Fórmulas dos indicadores
  mutate(DFDDo = ifelse(DFDDo <= 1, DFDDo, 1),  
         DFDM = ifelse(DFDM <= 1, DFDM, 1), 
         DFDG = ifelse(DFDG <= 1, DFDG, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(FCDo = (DFDDo + DFDM + DFDG)/3) %>% ## Fórmula do constructo
  merge(ds_prg, ., by.x = "CD_PROGRAMA_IES", by.y = "cod_programa", all.y = T) ## Categorias

 write.csv2(ds_IMI1_FCDo, paste0(v_path_o, "FCDo.csv"))
 kable(ds_IMI1_FCDo[1:12, c(1,8:15)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	QFDPD	QFDPM	QFDPG	QPPP	DFDDo	DFDM	DFDG	FCDo
10001018002P1	10	7	7	15	0.6666667	0.4666667	0.4666667	0.5333333
10001018004P4	13	13	11	15	0.8666667	0.8666667	0.7333333	0.8222222
10001018005P0	5	6	4	15	0.3333333	0.4000000	0.2666667	0.3333333
10001018006P7	7	5	6	9	0.7777778	0.5555556	0.6666667	0.6666667
10001018009P6	4	4	5	10	0.4000000	0.4000000	0.5000000	0.4333333
10001018010P4	10	5	6	15	0.6666667	0.3333333	0.4000000	0.4666667
10001018011P0	5	6	10	11	0.4545455	0.5454545	0.9090909	0.6363636
10001018012P7	10	8	7	14	0.7142857	0.5714286	0.5000000	0.5952381
10001018016P2	5	10	10	17	0.2941176	0.5882353	0.5882353	0.4901961
10001018017P9	10	12	10	15	0.6666667	0.8000000	0.6666667	0.7111111
10001018039P2	10	11	11	14	0.7142857	0.7857143	0.7857143	0.7619048
10001018040P0	9	11	10	12	0.7500000	0.9166667	0.8333333	0.8333333

IMI 2 - Formação discente

FCDi - Diversidade na formação dos discentes nos PPG

Variáveis:
QFGDi: Quantidade das formações dos discentes no grau de graduação
QDP: Quantidade de discentes do programa

Indicadores:
DFGDi: Diversidade de formação do discente pelo grau de graduação

ds_frmdic_ttl <- rbind(ds_frmdic, ds_frmdic_mestrado) %>% 
  filter(nivel_formacao == "Graduação") %>% 
  group_by(cod_programa, 
           nome_filtro_cvlattes, 
           doc_ou_disc,
           nome_curso_formacao) %>%
  summarise(QT = n()) ## Junção de formações de discentes e filtro de graduação

 write.csv2(ds_frmdic_ttl, paste0(v_path_inter, "ds_frmdic_ttl.csv"))

ds_IMI2_QDP <- ds_frmdic_ttl %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa) %>% 
  summarise(QDP = n())

 write.csv2(ds_IMI2_QDP, paste0(v_path_inter, "ds_IMI2_QDP.csv"))

ds_IMI2_QFGDi <- ds_frmdic_ttl %>% 
  group_by(cod_programa, nome_curso_formacao) %>% 
  summarise(QT = n()) %>%   
  group_by(cod_programa) %>% 
  summarise(QFGDi = n()) 

 write.csv2(ds_IMI2_QFGDi, paste0(v_path_inter, "ds_IMI2_QFGDi.csv"))

ds_IMI2_FCDi <- merge(ds_IMI2_QFGDi, ds_IMI2_QDP, by = "cod_programa", all.x = T) %>% 
  mutate(DFGDi = QFGDi/QDP) %>% ## Fórmula do indicador
  mutate(DFGDi = ifelse(DFGDi <= 1, DFGDi, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(FCDi = DFGDi) %>%  ## Fórmula do constructo
  merge(ds_prg, ., by.x = "CD_PROGRAMA_IES", by.y = "cod_programa", all.y = T) ## Categorias

 write.csv2(ds_IMI2_FCDi, paste0(v_path_o, "FCDi.csv"))
 kable(ds_IMI2_FCDi[1:12, c(1,8:11)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	QFGDi	QDP	DFGDi	FCDi
10001018002P1	8	29	0.2758621	0.2758621
10001018004P4	25	41	0.6097561	0.6097561
10001018005P0	23	42	0.5476190	0.5476190
10001018006P7	22	48	0.4583333	0.4583333
10001018009P6	21	52	0.4038462	0.4038462
10001018010P4	31	73	0.4246575	0.4246575
10001018011P0	25	63	0.3968254	0.3968254
10001018012P7	31	46	0.6739130	0.6739130
10001018016P2	26	54	0.4814815	0.4814815
10001018017P9	37	55	0.6727273	0.6727273
10001018039P2	24	42	0.5714286	0.5714286
10001018040P0	12	12	1.0000000	1.0000000

IMI 3 - Instituições participantes e membros de projetos

CC - Colaboração Científica

Variáveis:
QIP: Quantidade de instituições participantes nos projetos
QPP: Quantidade de projetos no programa

Intituições

ds_fin <-  rbind(read_excel(paste0(v_path_i, "Financiadores de proejtos 2013.xlsx")),
                 read_excel(paste0(v_path_i, "Financiadores de projetos 2014.xlsx")),
                 read_excel(paste0(v_path_i, "Financiadores de projetos 2015.xlsx")),
                 read_excel(paste0(v_path_i, "Financiadores de proejtos 2016.xlsx"))) ## Carga de Instituições

ds_IMI3_QIP <- ds_fin %>% 
  group_by(CD_PROGRAMA_IES, NM_FINANCIADOR) %>% 
  summarise(QT = n()) %>% 
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(QIP = n())

 write.csv2(ds_IMI3_QIP, paste0(v_path_inter, "ds_IMI3_QIP.csv"))

ds_IMI3_QPP <- ds_fin %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO) %>% 
  summarise(QT = n()) %>% 
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(QPP = n())

 write.csv2(ds_IMI3_QPP, paste0(v_path_inter, "ds_IMI3_QPP.csv"))

Variáveis:
DFPP: Diversidade formações dos participantes dos projetos (graduação).
QMP: Quantidade de membros dos projetos

Indicadores:
DFCP: Diversidade de formações que colaboram por meio de projetos

OBS - As variáveis e indicadores abaixo são consolidadas no nível de projeto e depois sumarizadas por média em programas para possibilitar cruzamento com demais constructos.

Colaboração

ds_formacao_grd <- rbind(ds_frmdic, ds_frmdoc, ds_frmdic_mestrado) %>% 
  filter(nivel_formacao == "Graduação") %>% 
  group_by(cod_programa, 
           nome_filtro_cvlattes, 
           doc_ou_disc,
           nome_curso_formacao) %>%
  summarise(QT = n()) ## Junção de formações de todos os membros e filtro de graduação

 write.csv2(ds_formacao_grd, paste0(v_path_inter, "ds_formacao_grd.csv"))

ds_MbrPrj_grd <- merge(ds_membros_13_16, ds_formacao_grd, 
                       by.x = c("CD_PROGRAMA_IES", "NM_MEMBRO_PROJETO", "DS_TIPO_MEMBRO"), 
                       by.y = c("cod_programa", "nome_filtro_cvlattes", "doc_ou_disc")) #@ Junção de 
                                                                                        ## membros e formações

 write.csv2(ds_MbrPrj_grd, paste0(v_path_inter, "ds_MbrPrj_grd.csv"))

ds_IMI3_DFPP <- ds_MbrPrj_grd %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO, nome_curso_formacao) %>% 
  summarise(QT = n()) %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO) %>% 
  summarise(DFPP = n()) 

 write.csv2(ds_IMI3_DFPP, paste0(v_path_inter, "ds_IMI3_DFPP.csv"))

ds_IMI3_QMP <- ds_MbrPrj_grd %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO, NM_MEMBRO_PROJETO) %>% 
  summarise(QT = n()) %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO) %>% 
  summarise(QMP = n()) 

 write.csv2(ds_IMI3_QMP, paste0(v_path_inter, "ds_IMI3_QMP.csv"))

#### Geração de arquivo de colaboração no nível de projetos para conferência de dados -----------

ds_DFCP <- merge(ds_IMI3_DFPP, ds_IMI3_QMP , by = c("CD_PROGRAMA_IES", "ID_PROJETO")) %>% 
  mutate(DFCP = DFPP/QMP) %>% 
  mutate(DFCP = ifelse(DFCP <= 1, DFCP, 1))
 
 write.csv2(ds_DFCP, paste0(v_path_o, "DFCP.csv"))
#### --------------------------------------------------------------------------------------------
kable(ds_DFCP[1:12, ]) ## Amostra do arquivo gerado acima

CD_PROGRAMA_IES	ID_PROJETO	DFPP	QMP	DFCP
10001018002P1	254229	3	5	0.6000000
10001018002P1	281461	1	2	0.5000000
10001018002P1	281506	6	11	0.5454545
10001018002P1	281550	1	1	1.0000000
10001018002P1	281556	2	3	0.6666667
10001018002P1	281569	1	1	1.0000000
10001018002P1	281575	1	1	1.0000000
10001018002P1	281577	1	2	0.5000000
10001018002P1	281593	1	1	1.0000000
10001018002P1	287006	3	2	1.0000000
10001018002P1	300058	2	2	1.0000000
10001018002P1	332254	2	4	0.5000000

ds_IMI3_DFCP <- merge(ds_IMI3_DFPP, ds_IMI3_QMP, by = c("CD_PROGRAMA_IES", "ID_PROJETO")) %>% 
  mutate(DFCP = DFPP/QMP) %>% ## Fórmula do indicador
  mutate(DFCP = ifelse(DFCP <= 1, DFCP, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(DFPP = mean(DFPP),
            QMP = mean(QMP),
            DFCP = mean(DFCP)) ## Consolidação de variáveis e indicador

 write.csv2(ds_IMI3_DFCP, paste0(v_path_inter, "ds_IMI3_DFCP.csv"))

Indicadores:
DIPP: Diversidade de instituições que que colaboram por meio dos projetos

Consolidação da Colaboração Científica

ds_IMI3_CC <- merge(ds_IMI3_QIP, ds_IMI3_QPP, by = "CD_PROGRAMA_IES", all.x = T) %>% 
  merge(., ds_IMI3_DFCP, by = "CD_PROGRAMA_IES", all.x = T) %>% ## Junção com indicador de
                                                                ## diversidade de formações 
                                                                ## de colaboradores
  mutate(DIPP = QIP/QPP) %>% ## Fórmula do indicador
  mutate(DIPP = ifelse(DIPP <= 1, DIPP, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(CC = (DFCP + DIPP)/2) ## Fórmula do constructo
  
ds_IMI3_CC <-  ds_IMI3_CC[,c(1:3, 7, 4:6, 8)] ## Reordenação de campos

ds_IMI3_CC %<>% merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

 write.csv2(ds_IMI3_CC, paste0(v_path_o, "CC.csv"))
 kable(ds_IMI3_CC[1:12, c(1,8:14)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	QIP	QPP	DIPP	DFPP	QMP	DFCP	CC
10001018002P1	4	33	0.1212121	1.758621	2.586207	0.7789894	0.4501008
10001018004P4	4	34	0.1176471	1.777778	1.555556	0.8333333	0.4754902
10001018005P0	1	8	0.1250000	1.071429	1.142857	0.9642857	0.5446429
10001018006P7	2	3	0.6666667	1.777778	1.333333	0.9444444	0.8055556
10001018008P0	2	9	0.2222222	NA	NA	NA	NA
10001018009P6	4	21	0.1904762	1.538461	1.769231	0.9166667	0.5535714
10001018010P4	1	5	0.2000000	2.333333	1.666667	1.0000000	0.6000000
10001018011P0	5	18	0.2777778	2.500000	1.166667	1.0000000	0.6388889
10001018012P7	2	7	0.2857143	2.000000	1.500000	1.0000000	0.6428571
10001018013P3	1	1	1.0000000	NA	NA	NA	NA
10001018016P2	6	24	0.2500000	1.500000	1.277778	0.9814815	0.6157407
10001018017P9	7	52	0.1346154	1.485714	1.514286	0.9857143	0.5601648

IMI 4 - Áreas de atuação de docentes

CP - Contexto Profissional

Variáveis:
QCDI: Quantidade de combinações distintas informadas
QGAD: Quantidade de grande áreas de conhecimento que o docente atua
QACD: Quantidade de áreas do conhecimento que o docente atua

Indicadores:
DGAC: Diversidade de grande áreas do conhecimento que o docente atua
DAC: Diversidade de áreas do conhecimento que o docente atua

ds_aratdo <- read_excel(paste0(v_path_i, 'Areas_de_atuacao_docentes_25_06_2019.xlsx'))

ds_IMI4_QCDI <- ds_aratdo %>% 
  mutate(espec_doc = paste0(grande_area, nome_area, sub_area, especialidade)) %>% 
  group_by(cod_programa, nome_filtro_cvlattes, espec_doc) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QCDI = n())

 write.csv2(ds_IMI4_QCDI, paste0(v_path_inter, "ds_IMI4_QCDI.csv"))

ds_IMI4_QGAD <- ds_aratdo %>%
  group_by(cod_programa, nome_filtro_cvlattes, grande_area) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QGAD = n())

 write.csv2(ds_IMI4_QGAD, paste0(v_path_inter, "ds_IMI4_QGAD.csv"))

ds_IMI4_QACD <- ds_aratdo %>%
  group_by(cod_programa, nome_filtro_cvlattes, nome_area) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QACD = n())

 write.csv2(ds_IMI4_QACD, paste0(v_path_inter, "ds_IMI4_QACD.csv"))

ds_IMI4_CP <- merge(ds_IMI4_QGAD, ds_IMI4_QACD, by = c("cod_programa","nome_filtro_cvlattes"), all.x = T) %>% 
  merge(., ds_IMI4_QCDI, by = c("cod_programa","nome_filtro_cvlattes"), all.x = T) %>% 
  mutate(DGAC = QGAD/QCDI,
         DAC = QACD/QCDI) %>% ## Fórmulas dos indicadores
  mutate(DGAC = ifelse(DGAC <= 1, DGAC, 1),
         DAC = ifelse(DAC <= 1, DAC, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(CP = (DGAC + DAC)/2) ## Fórmula do constructo

 write.csv2(ds_IMI4_CP, paste0(v_path_o, "CP_docente.csv"))
 kable(ds_IMI4_CP[1:12, ]) ## Amostra do arquivo gerado acima

cod_programa	nome_filtro_cvlattes	QGAD	QACD	QCDI	DGAC	DAC	CP
10001018002P1	ALEXANDRE DE ALMEIDA E SILVA	1	3	3	0.3333333	1.0000000	0.6666667
10001018002P1	ANDREIMAR MARTINS SOARES	1	2	3	0.3333333	0.6666667	0.5000000
10001018002P1	CARLA FREIRE CELEDONIO FERNANDES	2	3	3	0.6666667	1.0000000	0.8333333
10001018002P1	CAROLINA BIONI GARCIA TELES	1	2	2	0.5000000	1.0000000	0.7500000
10001018002P1	CHRISTIAN COLLINS KUEHN	2	3	3	0.6666667	1.0000000	0.8333333
10001018002P1	DEUSILENE SOUZA VIEIRA DALLACQUA	2	3	6	0.3333333	0.5000000	0.4166667
10001018002P1	DHELIO BATISTA PEREIRA	2	3	3	0.6666667	1.0000000	0.8333333
10001018002P1	FERNANDO BERTON ZANCHI	2	6	6	0.3333333	1.0000000	0.6666667
10001018002P1	GABRIEL EDUARDO MELIM FERREIRA	1	1	2	0.5000000	0.5000000	0.5000000
10001018002P1	GENIMAR REBOUCAS JULIAO	1	1	4	0.2500000	0.2500000	0.2500000
10001018002P1	JANSEN FERNANDES DE MEDEIROS	2	3	4	0.5000000	0.7500000	0.6250000
10001018002P1	JUAN MIGUEL VILLALOBOS-SALCEDO	1	1	1	1.0000000	1.0000000	1.0000000

ds_IMI4_CP_pgr <- ds_IMI4_CP %>% 
  group_by(cod_programa) %>% 
  summarise(CP = mean(CP)) %>% ## Consolidação por programa
  merge(ds_prg, ., by.x = "CD_PROGRAMA_IES", by.y = "cod_programa", all.y = T) ## Categorias

 write.csv2(ds_IMI4_CP_pgr, paste0(v_path_o, "CP_programa.csv"))
 kable(ds_IMI4_CP_pgr[1:12, c(1,8)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	CP
10001018002P1	0.6157407
10001018004P4	0.5246528
10001018005P0	0.5009804
10001018006P7	0.4352564
10001018009P6	0.4255556
10001018010P4	0.4404762
10001018011P0	0.3204545
10001018012P7	0.4531250
10001018016P2	0.4513158
10001018017P9	0.4368590
10001018039P2	0.3890625
10001018040P0	0.4888889

Consolidação final do IMI

Junção de todos os constructos, limpeza de casos imcompletos e geração de output.

ds_IMI <- merge(ds_IMI1_FCDo[,c("CD_PROGRAMA_IES", "FCDo")], 
                ds_IMI2_FCDi[,c("CD_PROGRAMA_IES", "FCDi" )], 
                by = "CD_PROGRAMA_IES", all = T) %>% 
  merge(., ds_IMI3_CC[,c("CD_PROGRAMA_IES","CC")], 
        by = "CD_PROGRAMA_IES", all = T) %>% 
  merge(., ds_IMI4_CP_pgr[,c("CD_PROGRAMA_IES","CP")], 
        by = "CD_PROGRAMA_IES", all = T) 

ds_IMI <- ds_IMI[complete.cases(ds_IMI),] ## Casos completos

ds_IMI %<>% mutate(IMI = (FCDo + FCDi + CC + CP)/4) %>% 
  merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

 write.csv2(ds_IMI, paste0(v_path_o, "IMI.csv"))
 kable(ds_IMI[1:12, c(1,8:12)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	FCDo	FCDi	CC	CP	IMI
10001018002P1	0.5333333	0.2758621	0.4501008	0.6157407	0.4687592
10001018004P4	0.8222222	0.6097561	0.4754902	0.5246528	0.6080303
10001018005P0	0.3333333	0.5476190	0.5446429	0.5009804	0.4816439
10001018006P7	0.6666667	0.4583333	0.8055556	0.4352564	0.5914530
10001018009P6	0.4333333	0.4038462	0.5535714	0.4255556	0.4540766
10001018010P4	0.4666667	0.4246575	0.6000000	0.4404762	0.4829501
10001018011P0	0.6363636	0.3968254	0.6388889	0.3204545	0.4981331
10001018012P7	0.5952381	0.6739130	0.6428571	0.4531250	0.5912833
10001018016P2	0.4901961	0.4814815	0.6157407	0.4513158	0.5096835
10001018017P9	0.7111111	0.6727273	0.5601648	0.4368590	0.5952155
11001011004P7	0.4117647	0.2058824	0.3863636	0.4513889	0.3638499
11001011006P0	0.7333333	0.8500000	0.5833333	0.4309524	0.6494048

Indice de Produção Tecnologica

Preparação, transformações e calculo de variáveis e indicadores que compõe o IPT - Indice de Produção Tecnologica.

Variáveis:
SPPP: Soma de patentes produzidos por programa
SPPPr: Soma de produtos produzidos por programa
SAPP: Soma de aplicativos produzidos por programa
QPPP: Quantidade de professores permanentes do programa

Indicadores:
QPPa: Quantitativo de produção de patentes por Programa
QPPr: Quantitativo de produção de produtos por Programa
QPA: Quantitativo de produção de aplicativos por Programa

#### Carga de Aplicativos, patentes e PRodutos a partir de planilhas ----------------------------

ds_PT_appprg <- read_excel(paste0(v_path_i, "Aplicativos_tese.xlsx"))
ds_PT_patprg <- read_excel(paste0(v_path_i, "Patentes com Programas.xlsx"))
ds_PT_prdprg <- read_excel(paste0(v_path_i, "Produtos_tese.xlsx"))

#### --------------------------------------------------------------------------------------------

ds_PT_patprg <- ds_PT_patprg[complete.cases(ds_PT_patprg[,"NM_PRODUCAO"]),] ## Filtro de produção valida

ds_IPT1_SPPP<- ds_PT_patprg %>%
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(SPPP = n())

 write.csv2(ds_IPT1_SPPP, paste0(v_path_inter, "ds_IPT1_SPPP.csv"))

#### --------------------------------------------------------------------------------------------

ds_PT_prdprg <- ds_PT_prdprg[complete.cases(ds_PT_prdprg[,"DSFINALIDADE_TRATADA"]),] ## Filtro de produção valida

ds_IPT2_SPPPr <- ds_PT_prdprg %>%
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(SPPPr = n())

 write.csv2(ds_IPT2_SPPPr, paste0(v_path_inter, "ds_IPT2_SPPPr.csv"))

#### --------------------------------------------------------------------------------------------

ds_PT_appprg <- ds_PT_appprg[complete.cases(ds_PT_appprg[,"DS_FINALIDADE"]),] ## Filtro de produção valida

ds_IPT3_SAPP <- ds_PT_appprg %>%
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(SAPP = n())

 write.csv2(ds_IPT3_SAPP, paste0(v_path_inter, "ds_IPT3_SAPP.csv"))

#### --------------------------------------------------------------------------------------------

ds_IPT <- merge(ds_IMI1_QPPP, ds_IPT1_SPPP, by.x = "cod_programa", by.y = "CD_PROGRAMA_IES", all.x = T) %>% 
  select(CD_PROGRAMA_IES = cod_programa, QPPP, SPPP) %>% 
  merge(., ds_IPT2_SPPPr, by = "CD_PROGRAMA_IES", all.x = T) %>% 
  merge(., ds_IPT3_SAPP, by = "CD_PROGRAMA_IES", all.x = T)

ds_IPT[is.na(ds_IPT)] <- 0 ### Conversão de NA para 0

ds_IPT %<>% mutate(QPPa = SPPP/QPPP,
                   QPPr = SPPPr/QPPP,
                   QPA = SAPP/QPPP) %>% ## Fórmulas dos indicadores
  mutate(QPPa = ifelse(QPPa <= 1, QPPa, 1),
         QPPr = ifelse(QPPr <= 1, QPPr, 1),
         QPA = ifelse(QPA <= 1, QPA, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(IPT = (QPPa+QPPr+QPA)/3) %>% ## Fórmula do indice
  merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

 write.csv2(ds_IPT, paste0(v_path_o, "IPT.csv"))
 kable(ds_IPT[1:12, c(1,8:15)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	QPPP	SPPP	SPPPr	SAPP	QPPa	QPPr	QPA	IPT
10001018002P1	15	0	0	0	0.0000000	0.0000000	0.0000000	0.0000000
10001018004P4	15	1	1	0	0.0666667	0.0666667	0.0000000	0.0444444
10001018005P0	15	0	0	0	0.0000000	0.0000000	0.0000000	0.0000000
10001018006P7	9	0	3	0	0.0000000	0.3333333	0.0000000	0.1111111
10001018009P6	10	0	2	0	0.0000000	0.2000000	0.0000000	0.0666667
10001018010P4	15	0	0	0	0.0000000	0.0000000	0.0000000	0.0000000
10001018011P0	11	0	0	0	0.0000000	0.0000000	0.0000000	0.0000000
10001018012P7	14	0	0	0	0.0000000	0.0000000	0.0000000	0.0000000
10001018016P2	17	0	0	0	0.0000000	0.0000000	0.0000000	0.0000000
10001018017P9	15	4	3	1	0.2666667	0.2000000	0.0666667	0.1777778
10001018039P2	14	0	0	0	0.0000000	0.0000000	0.0000000	0.0000000
10001018040P0	12	0	0	0	0.0000000	0.0000000	0.0000000	0.0000000

Tabela base de indices completos e correlação geral

União de indices por programa, filtro de cassos completos, categorização e calculo de correlação geral.

ds_COR <- merge(ds_IMI[,c(1,12)], ds_IPT[,c(1,15)], by = "CD_PROGRAMA_IES", all = T) ## União de indices

ds_COR <- ds_COR[complete.cases(ds_COR),] ## Filtro de casos completos

ds_COR %<>% filter(IPT > 0)%>% ## Filtro de projetos com produção tecnologica
  merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

 write.csv2(ds_COR, paste0(v_path_o, "COR.csv"))
 kable(ds_COR[1:12, c(1,8:9)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	IMI	IPT
10001018004P4	0.6080303	0.0444444
10001018006P7	0.5914530	0.1111111
10001018009P6	0.4540766	0.0666667
10001018017P9	0.5952155	0.1777778
12001015001P0	0.4129527	0.0196078
12001015002P7	0.3300950	0.1309524
12001015003P3	0.4392376	0.0222222
12001015012P2	0.3888012	0.2820513
12001015013P9	0.4551124	0.1728395
12001015016P8	0.5455184	0.3958333
12001015021P1	0.4103666	0.3333333
12001015033P0	0.5683275	0.1666667

ds_COR_p <- ds_COR %>% 
  select(IMI, IPT) %>% 
  cor(., method = "pearson") ## Correlação geral

 write.csv2(ds_COR_p, paste0(v_path_o, "COR_p.csv"))
 as_tibble(ds_COR_p) ## Tabela de correlação Geral

## # A tibble: 2 x 2
##      IMI    IPT
##    <dbl>  <dbl>
## 1 1      0.0722
## 2 0.0722 1

Correlação por categoria

Segmentação de tabela base de indice por cada categoria: Ano, Conceito, Dependencia, Area, Status e Modalidade. Geração de todos os outputs.

##### ---------------------------------------------------------------------------------------
f.corr <- function(df, mtd = "pearson"){
  df %<>% select(IMI,IPT) %>% 
    cor(., method = mtd)
  return(df)
} ## Função para aplicação de correlação em cada sessão do split por categoria

f.print_corr <- function(df){
  dfo <- tibble(cat = as.character(), cor = as.double())
  for (i in seq_along(df)) {
    dfo[i,] <- c(names(df[i]), df[[i]][1,2])
  }
  return(dfo)
} ## Função para criação de dataset com correlação por item de categoria

##### ---------------------------------------------------------------------------------------
ano_f <- factor(ds_COR$ANO_INICIO_PROGRAMA) ## Fator para split de categoria

ds_COR_ano <- ds_COR %>% select(ANO_INICIO_PROGRAMA,IMI,IPT) %>% 
  split(ano_f, drop = T) %>% ## Separação por ano
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_ano <- f.print_corr(ds_COR_ano)

ds_COR_ano <- ds_COR %>% group_by(ANO_INICIO_PROGRAMA) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_ano, by.x = "ANO_INICIO_PROGRAMA", by.y = "cat", all = T) %>% 
              mutate(ANO_INICIO_PROGRAMA = as.character(ANO_INICIO_PROGRAMA))
  
 write.csv2(ds_COR_ano, paste0(v_path_o, "COR_ano.csv"))
 kable(ds_COR_ano)

ANO_INICIO_PROGRAMA	m_IMI	m_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
1931	0.3199041	0.0049751	NA	NA	NaN	NaN	NaN	NaN	NA
1960	0.2906369	0.0266667	NA	NA	NaN	NaN	NaN	NaN	NA
1961	0.3302469	0.0384615	NA	NA	NaN	NaN	NaN	NaN	NA
1962	0.2909908	0.2878788	NA	NA	NaN	NaN	NaN	NaN	NA
1963	0.4163990	0.1971326	0.0046930	0.0264128	0.0685052	0.1625202	16.451807	82.44207	-0.211056756390287
1964	0.4172452	0.0586019	0.0001782	0.0035418	0.0133479	0.0595132	3.199062	101.55501	0.0107109954054532
1965	0.3682738	0.0764677	0.0017684	0.0054150	0.0420518	0.0735867	11.418618	96.23250	0.516644502148275
1966	0.3511877	0.0241467	0.0006480	0.0000244	0.0254565	0.0049421	7.248696	20.46715	0.837758845033655
1967	0.4577233	0.2057010	0.0150957	0.0217783	0.1228645	0.1475746	26.842535	71.74227	-0.160595563677575
1968	0.3697586	0.1096230	0.0033192	0.0055448	0.0576128	0.0744632	15.581195	67.92663	0.55187804927373
1969	0.3912020	0.1690015	0.0043641	0.0294847	0.0660616	0.1717111	16.886815	101.60330	-0.244979252214952
1970	0.3966898	0.1069527	0.0048957	0.0120450	0.0699692	0.1097497	17.638258	102.61524	0.150101517034608
1971	0.4164417	0.1082850	0.0079172	0.0095726	0.0889785	0.0978397	21.366386	90.35381	0.360031788761016
1972	0.3997754	0.0925735	0.0042420	0.0109893	0.0651306	0.1048297	16.291791	113.23939	-0.0941754859756869
1973	0.3993934	0.0812362	0.0076199	0.0077160	0.0872920	0.0878408	21.856158	108.13011	0.190472251730307
1974	0.4019896	0.1534544	0.0078756	0.0262808	0.0887447	0.1621137	22.076358	105.64285	-0.156280933644135
1975	0.3915970	0.0822684	0.0054201	0.0053557	0.0736213	0.0731830	18.800260	88.95637	0.16185105681267
1976	0.4040361	0.1175591	0.0042580	0.0121852	0.0652530	0.1103866	16.150287	93.89888	0.0217789964907372
1977	0.4105370	0.1095310	0.0047774	0.0083737	0.0691189	0.0915081	16.836224	83.54545	-0.116612196184783
1978	0.4176841	0.0810693	0.0059098	0.0041960	0.0768754	0.0647766	18.405144	79.90280	0.306320410424122
1979	0.3991863	0.1001684	0.0067631	0.0133462	0.0822382	0.1155259	20.601463	115.33165	0.0604457767075826
1980	0.4020389	0.1335035	0.0039551	0.0102361	0.0628895	0.1011736	15.642634	75.78350	-0.167284027497856
1981	0.5959572	0.1111111	NA	NA	NaN	NaN	NaN	NaN	NA
1982	0.3498466	0.1278283	0.0011612	0.0194613	0.0340764	0.1395037	9.740369	109.13369	-0.635734615447176
1983	0.3897973	0.1483854	0.0028219	0.0114996	0.0531218	0.1072361	13.628056	72.26862	0.0681079207343123
1984	0.3882745	0.0312650	0.0003475	0.0002526	0.0186424	0.0158949	4.801346	50.83911	-0.296487333607882
1985	0.4095626	0.2069584	0.0096325	0.0481834	0.0981455	0.2195072	23.963482	106.06346	0.214319248507437
1986	0.4237254	0.1066700	0.0024700	0.0182435	0.0496994	0.1350684	11.729150	126.62270	0.000470006911876546
1987	0.4207205	0.0908942	0.0101689	0.0033908	0.1008410	0.0582307	23.968650	64.06426	-0.559777602725453
1988	0.4138844	0.1014550	0.0060114	0.0100083	0.0775331	0.1000415	18.733021	98.60676	-0.0341300947694937
1989	0.4339032	0.0875287	0.0095124	0.0145496	0.0975315	0.1206216	22.477721	137.80807	-0.0160215104376414
1990	0.4195725	0.1482496	0.0049798	0.0153786	0.0705678	0.1240106	16.818989	83.64991	-0.192240147366653
1991	0.4214718	0.0976937	0.0081870	0.0136132	0.0904819	0.1166755	21.468084	119.42993	-0.0450799130407067
1992	0.3788006	0.1223788	0.0038055	0.0129013	0.0616888	0.1135837	16.285296	92.81323	0.528061736197766
1993	0.4228029	0.1574379	0.0068755	0.0227300	0.0829186	0.1507649	19.611648	95.76150	0.35775784375009
1994	0.4684478	0.1384574	0.0060725	0.0239570	0.0779260	0.1547806	16.634941	111.78929	0.20817832571604
1995	0.4582682	0.0832267	0.0074832	0.0084643	0.0865056	0.0920015	18.876635	110.54331	0.138479663697691
1996	0.4603457	0.1381277	0.0108062	0.0084249	0.1039527	0.0917871	22.581448	66.45089	0.0650837932161284
1997	0.4760507	0.0872020	0.0158502	0.0104889	0.1258977	0.1024155	26.446288	117.44631	0.580634834978501
1998	0.4668427	0.1183362	0.0147647	0.0081596	0.1215099	0.0903302	26.028028	76.33359	0.0691732215867302
1999	0.4625916	0.1178167	0.0107614	0.0115877	0.1037370	0.1076460	22.425185	91.36733	0.0878726149515815
2000	0.4671498	0.1669005	0.0105290	0.0279344	0.1026111	0.1671357	21.965351	100.14097	0.0594903848322321
2001	0.4609075	0.1555823	0.0104829	0.0149061	0.1023860	0.1220904	22.214005	78.47318	0.170261009577771
2002	0.4444627	0.1379440	0.0073552	0.0280519	0.0857626	0.1674872	19.295802	121.41674	-0.10503910868756
2003	0.4615807	0.1347290	0.0063418	0.0268624	0.0796353	0.1638977	17.252742	121.64989	0.449001261565735
2004	0.5037734	0.1449308	0.0070131	0.0204386	0.0837443	0.1429638	16.623397	98.64278	0.295407183281438
2005	0.4934865	0.1556443	0.0086171	0.0255807	0.0928283	0.1599397	18.810717	102.75980	0.206432000913082
2006	0.4974503	0.1211054	0.0078519	0.0137127	0.0886107	0.1171013	17.812983	96.69371	0.177037383022961
2007	0.5025299	0.1053120	0.0098622	0.0147499	0.0993086	0.1214492	19.761727	115.32320	-0.0615833669234312
2008	0.5139694	0.1465401	0.0104371	0.0258066	0.1021620	0.1606444	19.877060	109.62488	0.16843545251058
2009	0.5369348	0.1132136	0.0074513	0.0151491	0.0863209	0.1230817	16.076599	108.71634	0.21611850570576
2010	0.5338275	0.1190232	0.0062887	0.0158677	0.0793013	0.1259669	14.855223	105.83385	0.102111491055709
2011	0.5452791	0.1299495	0.0063332	0.0172746	0.0795813	0.1314330	14.594598	101.14162	0.0928527375039843
2012	0.5750843	0.1094623	0.0106583	0.0171299	0.1032390	0.1308813	17.951975	119.56741	0.126674876615247
2013	0.5694903	0.1159390	0.0063064	0.0166895	0.0794128	0.1291878	13.944541	111.42740	0.205790390195062
2014	0.5722092	0.0916099	0.0089726	0.0122379	0.0947237	0.1106251	16.554035	120.75665	-0.100863618492401
2015	0.5924140	0.0639427	0.0044043	0.0046768	0.0663648	0.0683872	11.202428	106.95073	-0.0722292144345987
2016	0.6324674	0.0788889	0.0066772	0.0075475	0.0817143	0.0868765	12.919915	110.12516	0.11930405715843

##### ---------------------------------------------------------------------------------------
conceito_f <- factor(ds_COR$CD_CONCEITO_PROGRAMA) ## Fator para split de categoria

ds_COR_conceito <- ds_COR %>% select(CD_CONCEITO_PROGRAMA,IMI,IPT) %>% 
  split(conceito_f, drop = T) %>% ## Separação por conceito
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_conceito <- f.print_corr(ds_COR_conceito)

ds_COR_conceito <- ds_COR %>% group_by(CD_CONCEITO_PROGRAMA) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_conceito, by.x = "CD_CONCEITO_PROGRAMA", by.y = "cat", all = T) %>% 
              mutate(ANO_INICIO_PROGRAMA = as.character(CD_CONCEITO_PROGRAMA))

 write.csv2(ds_COR_conceito, paste0(v_path_o, "COR_conceito.csv"))
 kable(ds_COR_conceito)

CD_CONCEITO_PROGRAMA	m_IMI	m_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor	ANO_INICIO_PROGRAMA
3	0.5619679	0.1155957	0.0075605	0.0153775	0.0869513	0.1240059	15.47265	107.27549	0.0259963770277024	3
4	0.4804370	0.1190808	0.0093340	0.0174262	0.0966128	0.1320084	20.10936	110.85618	0.135211646425709	4
5	0.4294399	0.1235006	0.0083336	0.0156689	0.0912887	0.1251753	21.25762	101.35600	0.195114272457837	5
6	0.4026400	0.1235548	0.0054255	0.0167811	0.0736582	0.1295419	18.29381	104.84569	0.221718627584643	6
7	0.3818187	0.1288982	0.0037251	0.0141734	0.0610338	0.1190523	15.98502	92.36145	-0.165483632913976	7

##### ---------------------------------------------------------------------------------------
dependencia_f <- factor(ds_COR$DS_DEPENDENCIA_ADMINISTRATIVA) ## Fator para split de categoria

ds_COR_dependencia <- ds_COR %>% select(DS_DEPENDENCIA_ADMINISTRATIVA,IMI,IPT) %>% 
  split(dependencia_f, drop = T) %>% ## Separação por dependencia
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_dependencia <- f.print_corr(ds_COR_dependencia)

ds_COR_dependencia <- ds_COR %>% group_by(DS_DEPENDENCIA_ADMINISTRATIVA) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_dependencia, by.x = "DS_DEPENDENCIA_ADMINISTRATIVA", by.y = "cat", all = T)
 
 write.csv2(ds_COR_dependencia, paste0(v_path_o, "COR_dependencia.csv"))
 kable(ds_COR_dependencia)

DS_DEPENDENCIA_ADMINISTRATIVA	m_IMI	m_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
PRIVADA	0.5433938	0.1464247	0.0102797	0.0223185	0.1013891	0.1493938	18.65849	102.0277	0.169599512042538
PÚBLICA	0.4801529	0.1132633	0.0111164	0.0146612	0.1054345	0.1210832	21.95852	106.9042	0.0202726364036229

##### ---------------------------------------------------------------------------------------
area_f <- factor(ds_COR$NM_AREA_AVALIACAO) ## Fator para split de categoria

ds_COR_area <- ds_COR %>% select(NM_AREA_AVALIACAO,IMI,IPT) %>% 
  split(area_f, drop = T) %>% ## Separação por area
  map(f.corr) ## Calculo de correlação para cada segmento

ds_siglas <- read_excel(paste0(v_path_i, "Siglas áreas de avaliação.xlsx")) %>% 
             select(nome = "Nome área de avaliação",
                    sigla = "Sigla")

ds_COR_area <- f.print_corr(ds_COR_area)

ds_COR_area <- ds_COR %>% group_by(NM_AREA_AVALIACAO) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_area, by.x = "NM_AREA_AVALIACAO", by.y = "cat", all = T) %>% 
              merge(., ds_siglas, by.x = "NM_AREA_AVALIACAO", by.y = "nome")

 ds_COR_area <- ds_COR_area[,c(11,1:10)]

 write.csv2(ds_COR_area, paste0(v_path_o, "COR_area.csv"))
 kable(ds_COR_area)

sigla	NM_AREA_AVALIACAO	m_IMI	m_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
ADM	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	0.5410076	0.0924475	0.0064561	0.0103482	0.0803496	0.1017263	14.851836	110.03683	-0.0200228210225216
ANTR	ANTROPOLOGIA / ARQUEOLOGIA	0.4887984	0.0476140	0.0053112	0.0009134	0.0728777	0.0302230	14.909561	63.47502	0.759928883802947
ARQU	ARQUITETURA, URBANISMO E DESIGN	0.5299630	0.1258532	0.0111134	0.0129761	0.1054203	0.1139128	19.892008	90.51246	0.248472158463462
ARTE	ARTES / MÚSICA	0.5262586	0.0462148	0.0052485	0.0015407	0.0724464	0.0392518	13.766309	84.93329	-0.165120795124369
AFIS	ASTRONOMIA / FÍSICA	0.3668481	0.0635704	0.0080012	0.0051092	0.0894494	0.0714787	24.383222	112.44019	0.068264775481826
BIOD	BIODIVERSIDADE	0.4506369	0.0620680	0.0065419	0.0103846	0.0808821	0.1019048	17.948405	164.18247	0.28838931570757
BIOT	BIOTECNOLOGIA	0.5714797	0.2814396	0.0090255	0.0270017	0.0950027	0.1643220	16.623994	58.38623	-0.0762669207152088
CCOMP	CIÊNCIA DA COMPUTAÇÃO	0.4759979	0.1499872	0.0076116	0.0166568	0.0872448	0.1290610	18.328811	86.04802	0.187746912476199
CALIM	CIÊNCIA DE ALIMENTOS	0.4977163	0.2061252	0.0096222	0.0252638	0.0980930	0.1589458	19.708624	77.11133	-0.216185609316485
CPOL	CIÊNCIA POLÍTICA E RELAÇÕES INTERNACIONAIS	0.5512496	0.0901039	0.0108301	0.0216008	0.1040678	0.1469723	18.878529	163.11419	0.587567293353527
CAGRI	CIÊNCIAS AGRÁRIAS I	0.4647469	0.1073298	0.0098505	0.0087495	0.0992497	0.0935389	21.355653	87.15095	0.0197917947282038
CAMB	CIÊNCIAS AMBIENTAIS	0.6014918	0.0910209	0.0028681	0.0112528	0.0535544	0.1060794	8.903596	116.54400	0.0502562625594782
CBI	CIÊNCIAS BIOLÓGICAS I	0.4896436	0.1632356	0.0073294	0.0153402	0.0856122	0.1238557	17.484586	75.87540	-0.0117964306000998
CBII	CIÊNCIAS BIOLÓGICAS II	0.4752956	0.1229496	0.0073790	0.0120877	0.0859013	0.1099441	18.073247	89.42213	0.203380326765292
CBIII	CIÊNCIAS BIOLÓGICAS III	0.4856714	0.1767714	0.0092256	0.0242645	0.0960500	0.1557708	19.776741	88.11990	-0.0924903894812177
31	COMUNICAÇÃO E INFORMAÇÃO	0.5461556	0.0996872	0.0040308	0.0199373	0.0634888	0.1411995	11.624671	141.64254	0.264136198760492
DIRE	DIREITO	0.3652496	0.0335812	0.0088163	0.0010085	0.0938954	0.0317573	25.707190	94.56875	0.153146103100228
ECON	ECONOMIA	0.5359823	0.1609447	0.0078652	0.0682052	0.0886862	0.2611613	16.546486	162.26769	-0.122109248135775
EDUC	EDUCAÇÃO	0.4610251	0.0399398	0.0053512	0.0054805	0.0731522	0.0740305	15.867289	185.35512	0.0830390374858974
EFIS	EDUCAÇÃO FÍSICA	0.4321399	0.0440684	0.0055477	0.0021028	0.0744832	0.0458564	17.235891	104.05729	0.321297853781631
ENFEE	ENFERMAGEM	0.3994794	0.0876239	0.0071093	0.0100635	0.0843168	0.1003169	21.106683	114.48578	0.0463706357746217
ENGI	ENGENHARIAS I	0.5020208	0.0926936	0.0124235	0.0080648	0.1114610	0.0898040	22.202459	96.88271	-0.136650920736011
ENGII	ENGENHARIAS II	0.4869642	0.2021341	0.0117786	0.0187962	0.1085294	0.1370993	22.286930	67.82594	-0.0860329791822802
ENGIII	ENGENHARIAS III	0.5253799	0.2069013	0.0098844	0.0240118	0.0994202	0.1549575	18.923477	74.89441	0.107479172878729
ENGIV	ENGENHARIAS IV	0.4699787	0.1836865	0.0100580	0.0198829	0.1002896	0.1410068	21.339172	76.76489	-0.0301042285490799
ENSI	ENSINO	0.5548009	0.0603080	0.0063395	0.0041889	0.0796208	0.0647218	14.351245	107.31875	0.189416741278837
FARM	FARMÁCIA	0.5109088	0.1938335	0.0074038	0.0208792	0.0860454	0.1444965	16.841637	74.54672	-0.341717474750512
FILO	FILOSOFIA	0.4257836	0.0350063	0.0035159	0.0004089	0.0592953	0.0202218	13.926163	57.76626	-0.169249495428888
GEOC	GEOCIÊNCIAS	0.4496356	0.0528464	0.0120080	0.0025576	0.1095810	0.0505729	24.371071	95.69798	0.39398290559801
GEOG	GEOGRAFIA	0.4418058	0.0429549	0.0064007	0.0037465	0.0800042	0.0612085	18.108452	142.49479	0.414264756854289
HIST	HISTÓRIA	0.3946847	0.0205001	0.0113217	0.0000531	0.1064033	0.0072879	26.959061	35.55079	0.784391618357756
INTE	INTERDISCIPLINAR	0.6001800	0.1141717	0.0058261	0.0162282	0.0763291	0.1273901	12.717704	111.57762	-0.0213502372879694
LETR	LETRAS / LINGUÍSTICA	0.4427305	0.0514590	0.0083383	0.0047353	0.0913142	0.0688137	20.625241	133.72528	0.419073156102748
MAFE	MATEMÁTICA / PROBABILIDADE E ESTATÍSTICA	0.4201053	0.0252470	0.0068007	0.0002170	0.0824663	0.0147297	19.629909	58.34240	0.438786239695738
MATE	MATERIAIS	0.5680197	0.1851534	0.0109802	0.0238589	0.1047866	0.1544634	18.447702	83.42453	-0.0984859719251756
MEDI	MEDICINA I	0.4488275	0.0813187	0.0036785	0.0101793	0.0606507	0.1008928	13.513145	124.07075	-0.152917197597049
MEDII	MEDICINA II	0.4827842	0.0973995	0.0035815	0.0151251	0.0598458	0.1229841	12.395978	126.26767	0.0623188361957801
MEDIII	MEDICINA III	0.4332203	0.1137276	0.0054097	0.0237300	0.0735508	0.1540455	16.977680	135.45121	0.406005623641408
MVET	MEDICINA VETERINÁRIA	0.4242958	0.1114591	0.0083571	0.0107213	0.0914172	0.1035438	21.545624	92.89848	-0.244776935142716
NUTR	NUTRIÇÃO	0.4958656	0.1091130	0.0033228	0.0162820	0.0576436	0.1276010	11.624840	116.94396	0.13794540556887
ODON	ODONTOLOGIA	0.3915859	0.1282772	0.0099576	0.0212462	0.0997879	0.1457607	25.483014	113.62945	0.0912986037186332
PLUR	PLANEJAMENTO URBANO E REGIONAL / DEMOGRAFIA	0.6075848	0.0368340	0.0071856	0.0004305	0.0847682	0.0207483	13.951668	56.32925	0.375205905327194
PSICO	PSICOLOGIA	0.3888913	0.0702849	0.0043695	0.0055870	0.0661020	0.0747459	16.997562	106.34700	0.414567466830112
QUIM	QUÍMICA	0.3927756	0.1471324	0.0095698	0.0083349	0.0978253	0.0912959	24.906152	62.05019	-0.256697121945937
SCOL	SAÚDE COLETIVA	0.5282082	0.0420447	0.0060336	0.0013832	0.0776761	0.0371917	14.705588	88.45750	-0.324457786934078
SSOC	SERVIÇO SOCIAL	0.4386467	0.0388889	0.0308828	0.0000617	0.1757349	0.0078567	40.062971	20.20305	-1
SOCI	SOCIOLOGIA	0.4904263	0.0242284	0.0098823	0.0000635	0.0994099	0.0079696	20.270107	32.89363	0.471623579484581
ZOOT	ZOOTECNIA / RECURSOS PESQUEIROS	0.4323599	0.0595141	0.0057225	0.0059502	0.0756470	0.0771376	17.496293	129.61227	-0.0504782134440357

##### ---------------------------------------------------------------------------------------
status_f <- factor(ds_COR$CS_STATUS_JURIDICO) ## Fator para split de categoria

ds_COR_status <- ds_COR %>% select(CS_STATUS_JURIDICO,IMI,IPT) %>% 
  split(status_f, drop = T) %>% ## Separação por status
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_status <- f.print_corr(ds_COR_status)

ds_COR_status <- ds_COR %>% group_by(CS_STATUS_JURIDICO) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_status, by.x = "CS_STATUS_JURIDICO", by.y = "cat", all = T)
 
 write.csv2(ds_COR_status, paste0(v_path_o, "COR_status.csv"))
 kable(ds_COR_status)

CS_STATUS_JURIDICO	m_IMI	m_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
ESTADUAL	0.4779129	0.1030163	0.0106330	0.0128399	0.1031163	0.1133131	21.57637	109.99527	0.0732825476968398
FEDERAL	0.4803221	0.1166046	0.0111758	0.0152716	0.1057159	0.1235784	22.00937	105.98069	-0.00315558367677363
MUNICIPAL	0.5453704	0.1179246	0.0222427	0.0114425	0.1491398	0.1069696	27.34652	90.71011	0.777653385052747
PARTICULAR	0.5433938	0.1464247	0.0102797	0.0223185	0.1013891	0.1493938	18.65849	102.02770	0.169599512042538

##### ---------------------------------------------------------------------------------------
modalidade_f <- factor(ds_COR$NM_MODALIDADE_PROGRAMA) ## Fator para split de categoria

ds_COR_modalidade <- ds_COR %>% select(NM_MODALIDADE_PROGRAMA,IMI,IPT) %>% 
  split(modalidade_f, drop = T) %>% ## Separação por modalidade
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_modalidade <- f.print_corr(ds_COR_modalidade)

ds_COR_modalidade <- ds_COR %>% group_by(NM_MODALIDADE_PROGRAMA) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_modalidade, by.x = "NM_MODALIDADE_PROGRAMA", by.y = "cat", all = T)

 write.csv2(ds_COR_modalidade, paste0(v_path_o, "COR_modalidade.csv"))
 kable(ds_COR_modalidade)

NM_MODALIDADE_PROGRAMA	m_IMI	m_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
ACADÊMICO	0.4790649	0.1151397	0.0109793	0.0148806	0.1047821	0.1219862	21.87222	105.9463	0.0428114638244629
PROFISSIONAL	0.5715083	0.1455812	0.0078461	0.0238955	0.0885782	0.1545817	15.49902	106.1825	0.0994298489171458

##### ---------------------------------------------------------------------------------------

Avaliação gráfica geral por categorias

f.mplot <- function(ds, label) {
#### Base -------------------------------------------
GGCor <- ggplot(data = ds, aes(x = ds[,1])) + 
  geom_col(aes(y = (as.double(cor)*100)), 
           width = 0.9, 
           alpha=0.4, 
           #stat = "sum",
           col = "black", 
           size = 0.5
           ) +   
  scale_y_continuous(breaks = seq(-100, 100, by = 10)) +  
  geom_hline(yintercept = 0, col = 'black', alpha = 0.7) + 
  geom_hline(yintercept = 30, col = 'orange', alpha = 0.7, size = 1.5) +   
  geom_hline(yintercept = 60, col = 'green', alpha = 0.7, size = 1.5) + 
  geom_point(aes(y = (as.double(cor)*100)), 
             size=1.8, shape=21, fill="black") + 
  geom_text(aes(y = (as.double(cor)*100) + ifelse(as.double(cor) > 0, 6, -6), 
                label = format(as.double(cor), digits = 4)), 
            size = 4) + 
  theme_light() + 
  theme(axis.text.x = element_text(angle = 45, 
                                 vjust = 1, 
                                 size = 9, 
                                 hjust = 1)) + 
  labs(title = 'Correlação por Categoria', x = paste0('Categoria (_', label, '_)'), y = 'Corr * 100') +
  geom_bar(aes(y = as.double(m_IMI)*100),
           position = position_nudge(x = -0.225),
           width = 0.35, alpha=0.25,
           fill = "blue",
           stat = "sum",
           size = 1) +
  geom_bar(aes(y = as.double(m_IPT)*100),
           position = position_nudge(x = 0.225),
           width = 0.35, alpha=0.25,
           fill = "red",
           stat = "sum",
           size = 1)
return(GGCor)
}

cat("Gráfico de exemplo para referÊncia")

## Gráfico de exemplo para referÊncia

g_legenda <- f.mplot(ds_COR_dependencia, "Dependencia") +
   geom_label(aes(x = 2.55, y = 62, label = 'Correlação alta'), 
              col = 'green', hjust = 'right', alpha = 0.5, size=4) +  
   geom_label(aes(x = 2.55, y = 32, label = 'Correlação média'), 
              col = 'orange', hjust = 'right', alpha = 0.5, size=4) +  
   geom_label(aes(x = 0.6, y = 56, label = 'Média de IMI'), 
              col = 'blue', hjust = 'left', alpha = 0.5, size=4) +
   geom_label(aes(x = 2.05, y = 13, label = 'Média de IPT'), 
            col = 'red', hjust = 'left', alpha = 0.5, size=4) +
   geom_label(aes(x = 1, y = 19.9, label = 'Correlação'), 
            col = 'black', hjust = 'left', alpha = 0.5, size=4)

print(g_legenda)

cat("Gráficos por categoria")

## Gráficos por categoria

ds_COR_ano %<>% arrange(ANO_INICIO_PROGRAMA)

print(f.mplot(ds_COR_ano[1:10,], "Ano"))

print(f.mplot(ds_COR_ano[11:20,], "Ano"))

print(f.mplot(ds_COR_ano[21:30,], "Ano"))

print(f.mplot(ds_COR_ano[31:40,], "Ano"))

print(f.mplot(ds_COR_ano[41:50,], "Ano"))

print(f.mplot(ds_COR_ano[51:58,], "Ano"))

ds_COR_area %<>% arrange(desc(cor))

print(f.mplot(ds_COR_area[1:10,], "Area"))

print(f.mplot(ds_COR_area[11:20,], "Area"))

print(f.mplot(ds_COR_area[21:30,], "Area"))

print(f.mplot(ds_COR_area[31:40,], "Area"))

print(f.mplot(ds_COR_area[41:48,], "Area"))

print(f.mplot(ds_COR_conceito, "Conceito"))

print(f.mplot(ds_COR_dependencia, "Dependencia"))

print(f.mplot(ds_COR_modalidade, "Modalidade"))

print(f.mplot(ds_COR_status, "Status"))

Histogramas de IPT e IMI por Área de Avaliação

f.histo <- function(ds){
#### Histograma por categoria pelo GGPlot2 -------------
 GGHis <- ggplot(ds,aes(ds[,2])) +
   stat_bin(aes(y =..density..,
                fill = ..count..), 
            col = "black",
            binwidth = 0.05, 
            alpha = 0.8) +
   geom_density(fill = "red",
                color = "orange",
                alpha = 0.11) +
   scale_x_continuous(breaks = seq(0, 1, by = 0.05)) +
   #scale_y_continuous(labels = NULL) +
   labs(title = paste0('Histograma de ', v_idx, " - ", v_categ, " - ", ds[1,1]) , x = v_idx, y = 'Contagem') +
   scale_fill_distiller(name = 'Observações',
                        palette = v_pal,
                        direction = 1);GGHis
}

v_categ <- "Área de Avaliação"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_COR %<>% merge(., ds_siglas, by.x = "NM_AREA_AVALIACAO", by.y = "nome")

ds_cat_P <- ds_COR %>%  select(sigla, IPT) %>% 
  split(as.factor(.$sigla)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(sigla, IMI) %>% 
  split(as.factor(.$sigla)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

Histogramas de IPT e IMI para demais categorias (Exceto Ano de início)

v_categ <- "Conceito do Programa"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_cat_P <- ds_COR %>%  select(CD_CONCEITO_PROGRAMA, IPT) %>% 
  split(as.factor(.$CD_CONCEITO_PROGRAMA)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(CD_CONCEITO_PROGRAMA, IMI) %>% 
  split(as.factor(.$CD_CONCEITO_PROGRAMA)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

#####------------------------------------------------------------------------------------------
v_categ <- "Status Jurídico"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_cat_P <- ds_COR %>%  select(CS_STATUS_JURIDICO, IPT) %>% 
  split(as.factor(.$CS_STATUS_JURIDICO)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(CS_STATUS_JURIDICO, IMI) %>% 
  split(as.factor(.$CS_STATUS_JURIDICO)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

#####------------------------------------------------------------------------------------------
v_categ <- "Dependência Administrativa"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_cat_P <- ds_COR %>%  select(DS_DEPENDENCIA_ADMINISTRATIVA, IPT) %>% 
  split(as.factor(.$DS_DEPENDENCIA_ADMINISTRATIVA)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(DS_DEPENDENCIA_ADMINISTRATIVA, IMI) %>% 
  split(as.factor(.$DS_DEPENDENCIA_ADMINISTRATIVA)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

#####------------------------------------------------------------------------------------------
v_categ <- "Modalidade do Programa"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_cat_P <- ds_COR %>%  select(NM_MODALIDADE_PROGRAMA, IPT) %>% 
  split(as.factor(.$NM_MODALIDADE_PROGRAMA)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(NM_MODALIDADE_PROGRAMA, IMI) %>% 
  split(as.factor(.$NM_MODALIDADE_PROGRAMA)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

Analise Quant./Doutorado - Vívian Costa Alves

por Nelson Simões R. Jr.

2/4/2020